过去两年，现代数据平台的提交历史里发生了一场静默的转变。写代码的阻力几乎消失了。Cursor、Claude Code和智能体工作流已经住进容器和集成开发环境里，生成分布式流处理管道或复杂接口集成的第一版实现，不再是核心瓶颈。智能体能浏览代码仓库、补测试、查堆栈、提重构建议。用大白话描述一个Kafka到Iceberg的映射，它能在工程师还没打开所有相关文件前，就给出一个像样的起点。

这给软件工程师抛出了一个新问题：如果智能体正在成为本地系统逻辑的主要作者，那工程师还剩什么可做？我们是要变成一群审核员，机械地给源源不断的合并请求盖章吗？还是说，工作本身已经从搭建逻辑，转向了某种更抽象的东西？

打开网易新闻 查看精彩图片

智能体是一台热机

剥掉AI身上那层拟人化的幻觉，剩下的是一台计算引擎。它接收指令，把指令变成行动。数据中心里的大语言模型算力惊人，但在被赋予意图之前，它做不了任何有用的事。一句提示词、一条业务需求、一条系统指令或一个失败的测试，给了智能体方向。它把这个方向变成代码、工具调用、查询、测试，以及对运行中系统的改动。

每台引擎都有损耗，每个智能体循环也一样。让智能体在一个难啃的代码仓库上跑过的人，都见过这一幕：任务一开始很清晰，接着它抓住一个过时的假设，治标不治本，把旧迁移当成当前行为，开始积累自己的历史。几次工具调用之后，上下文里塞满了看似合理却互相矛盾的细节，下一步比第一步更不确定。可以把这叫作运营熵：过时假设、分叉上下文和未解决依赖在一个仍在向前推进的循环里不断堆积。

人的介入之所以有用，是因为它引入了新信息。失败的测试、精确的数据契约、确定性的工具，或者一个能明确告诉智能体错在哪里的评估，也同样有用。没有这些信号，智能体可以持续产出，却离正确结果越来越远。智能体显然在制造运动，真正的问题是，它周围的系统能不能把这些运动变成有用的功。

无限猴子与加速的搜索空间

无限猴子定理给了一个有用的图景：反复尝试、有限约束和反馈。定理说，一只猴子随机敲键盘，敲上无限长的时间，几乎必然能打出任何给定的文本。但把“无限时间”换成“有限预算”，情况就变了。没有反馈，随机搜索在复杂空间里几乎找不到目标。有了反馈，搜索会加速。

智能体循环本质上是在一个巨大的可能性空间里做搜索。每一次工具调用、每一次代码生成，都是一次采样。反馈信号越清晰，搜索收敛得越快。反馈越模糊，智能体就越像那只猴子，只不过它敲键盘的速度快了几个数量级。速度本身不解决问题，它只是让错误来得更快。

工程师的新角色：划定边界

当智能体成为逻辑的主要生成者，工程师的工作重心就从“写实现”转向了“设计约束”。这些约束包括：数据契约长什么样，哪些测试必须通过，哪些工具是确定性的，哪些评估能给出明确对错，哪些上下文必须被锁定，哪些假设允许智能体自行更新。边界越清晰，智能体的搜索空间越小，收敛越快。

这不是说工程师不再需要理解代码。恰恰相反，理解代码的目的变了：以前是为了亲手写出正确的实现，现在是为了判断智能体生成的实现是否在正确的边界内。审核不再是被动盖章，而是主动定义“什么算对”。

这种转变在团队层面同样成立。一个没有清晰契约和评估体系的团队，智能体跑得越快，积累的运营熵越多。一个把边界设计好的团队，智能体的每一次循环都在缩小不确定性。区别不在于用不用智能体，而在于有没有把反馈信号当成一等公民来设计。

软件工程的核心问题，正在从“怎么写出这段逻辑”变成“怎么让一个高速搜索的系统不跑出边界”。写代码的阻力消失了，但让代码正确的阻力还在，只是它换了一个位置。